隨著工業安全和健康評估的需求日益增長，準確量化皮膚暴露對於評估化學品危害至關重要。傳統的人工評估方法耗時且主觀，而計算機視覺技術提供了一種自動化的替代方案。本研究由Hua Qian等五位研究者提出，發表於The Synergist 2024年10月期，並在arXiv預印本平臺（arXiv:2607.26170）上公開。研究團隊開發了一種混合深度學習模型，結合了Mask R-CNN和基於顏色的分割演算法，以從影像中自動檢測和量化暴露皮膚區域。
該方法首先使用Mask R-CNN識別影像中的人體目標，有效去除背景干擾。隨後，基於顏色的演算法對影像進行分割，精確提取暴露的皮膚區域。研究團隊採用170張室內塗裝作業的影像進行驗證，這些影像涵蓋了不同的姿勢、光照條件和背景複雜度。透過計算暴露皮膚畫素與身體總畫素的比值，並與人工標註進行對比，結果顯示該方法與人工估計的一致性達到約80%。這一結果證明了混合深度學習方法在皮膚暴露評估中的可靠性和準確性。
研究者指出，這種半定量的方法為從影像中提取暴露資料提供了一種可擴充套件的途徑，能夠大大減少人工評估的工作量，並提高評估的客觀性。未來研究計劃包括識別身體不同部位（如手臂、面部、腿部等），檢測個人防護裝備（PPE）的佩戴情況，以及將分析擴充套件到影片流，實現在動態工作環境中的即時暴露監測。這將進一步推動工業衛生和安全評估的自動化程序，為工人健康保護提供有力支援。